[发明专利]一种非机动车检测方法

说明书

本发明揭示了一种非机动车检测方法，包括如下步骤：S1、图像预处理，获取交通视频摄像头所拍摄的视频图像，对视频图像的规格进行标准化处理；S2、非机动车检测，在OpenCV平台上使用YOLOv3网络，结合经过标准化处理的视频图像进行非机动车检测，得到检测结果。本发明的方法运行时间短、识别率和准确率较高，可以有效地实现对进入机动车道内的非机动车辆的检测。

技术领域

本发明涉及一种检测方法，具体而言，涉及一种基于深度学习的非机动车检测方法，属于人工智能技术领域。

背景技术

随着近年来计算机技术的飞速发展，各类以计算机技术为基础的相关技术发展迅猛，其中，目标检测技术越来越受到人们的关注。目标检测技术作为图像处理和计算机视觉领域的一个重要分支，它的研究方法主要是Taigman Y等人所提出的基于背景建模的方法和基于特征信息的检测方法，即在实际交通图像中检测并定位所设定非机动车辆目标。但截至目前，甚少有研究者开展针对自行车等非机动车辆的目标检测研究；此外，由于道路交通图像中的非机动车辆目标会因光照、视角以及驾驶者遮挡等变化而产生变化，因此也很难将现有技术直接应用于非机动车检测中。

在传统的目标检测方法中，如Taigman Y等人提出的HOG（Histogramof OrientedGradient）、Ma Xiaoyu等人提出的SIFT（Scale Invarient Feature Transform）等机器方法中，主要通过提取目标特征并将提取到的特征输入支持向量机SVM（supportvectormachine）、迭代机（Adaboost）等分类器进行分类识别。这类检测方法在应用时，整个特征提取过程十分复杂，且究其本质，这些特征是手工设计的特征，需要针对不同的图像选择合适的特征，不利于大规模应用、泛化能力较差。

随着深度学习兴起，一些深度学习的方法很快被应用于目标检测领域，其中以深度卷积神经网络（CNN）最为突出。与传统的依赖先验知识的特征提取算法不同，CNN对几个变换、形变、光照等具有一定程度的不变性，有效克服了非机动车辆外观多变给其检测所带来的困难，并且可在训练数据驱动下自适应地构建特征描述，具有灵活性高和泛化能力强的特点。2013年R-CNN作为深度学习目标检测应用领域的先驱，将传统机器学习和深度学习进行了创新性的结合，继而出现了像SPP-Net等目标监测网络的优化，后续又出现的FastR-CNN整合了R-CNN和SPP-Net的优点，使得在多变的道路交通图像下，快速且准确地检测到非机动车辆目标成为可能。但是，Fast R-CNN的检测效果很大程度上依赖于样本图像目标建议（Object Proposals，OP）的提取数量，大量OP的提取耗时耗力，而且加重了模型训练的负担，且模型训练过程中容易出现过拟合现象，对网络和硬件要求较高。

总体而言，上述方法均存在着诸如准确率较低、鲁棒性较差、识别时间较长等各项不足。也正因如此，如何在现有技术的基础上提出一种全新的非机动车检测方法，以克服现有技术中的各种不足，也就成为了本领域内技术人员亟待解决的问题。

发明内容

鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于深度学习的非机动车检测方法，具体如下。

一种非机动车检测方法，包括如下步骤：

S1、图像预处理，获取交通视频摄像头所拍摄的视频图像，对视频图像的规格进行标准化处理；

S2、非机动车检测，利用OpenCV平台上的YOLOv3网络，结合经过预处理的视频图像进行非机动车检测，得到检测结果。

优选的，S1所述图像预处理，包括如下步骤：获取交通视频摄像头所拍摄的视频图像，将视频图像的统一调整为416*416像素的视频图像、并对调整后的视频图像进行收集。

优选的，S2所述非机动车检测，包括如下步骤：

S21、利用OpenCV平台上的YOLOv3网络，生成边界框并将其作为预测的检测输出；